رایانش نرم و فن آوری اطلاعات
سال:1397 | دوره:7 | شماره:2 |تعداد مقالات:7

تجربه مکانی، توانایی افراد برای درک روابط بین اشیای دنیای واقعی، فضاها و مناطق است که پس از سال ها یادگیری و تجربه توسط افراد خبره بدست می آید. این تجربه که منجر به تولید دانش مکانی می شود در اخذ تصمیمات سازمانی با دقت بالا، واقع بینانه و هماهنگ با واقعیت کمک می کند. از این رو، استفاده از روش هایی برای ذخیره سازی و استفاده مجدد از این تجربه و جلوگیری از خارج شدن آن از سازمان-ها، امروزه به امری مهم و ضروری تبدیل شده است. در این پژوهش روش های مختلف مدلسازی تجربیات از جمله استفاده از شبکه های معنایی، قانون، منطق و آنتولوژی بررسی می شوند و به دلیل برتری روش آنتولوژی نسبت به روش های دیگر، این روش به عنوان روش مدلسازی انتخاب و الگوریتمی مبتنی بر آنتولوژی برای ذخیره سازی تجربیات مکانی ارائه و در مسیریابی شهری استفاده می گردد. بدین منظور، ابتدا یک مدل آنتولوژی با استفاده از داده های مربوط به مسیرهای تاکسی شهر تهران ایجاد گردید. سپس این مدل آنتولوژی برای مسیریابی استفاده شد و نتایج آن با الگوریتم کوتاه ترین مسیر دایجسترا از نظر طول مسیر و زمان سفر برای زمان اوج ترافیک، مقایسه گردید. نتایج حاصل نشان داد با این که طول سفر روش مسیریابی مبتنی بر آنتولوژی تجربیات رانندگان، نسبت به الگوریتم کوتاه ترین مسیر دایجسترا، بیشتر است، اما زمان سفر آن کمتر است و در برخی مسیرها اختلاف زمان سفر آن با الگوریتم کوتاه ترین مسیر دایجسترا، به 10 دقیقه نیز می رسد.

فیلتر ذره ای یکی از مهمترین فیلترها در تخمین سیستم های غیر خطی/غیر گوسی که در کاربردهای زیادی استفاده شده است. در فیلتر ذره ای استاندارد، از آنجایی که تابع چگالی پسین مشترک حالت با استفاده از نمونه برداری پراهمیت بازگشتی تقریب زده می شود، ابعاد تابع چگالی پسین مشترک در هر لحظه از زمان رشد می کند. این موجب می شود که الگوریتم سریعا" تباهیده شود. بنابراین استفاده از استراتژی نمونه برداری مجدد بمنظور تضمین یک تقریب منطقی از تابع چگالی احتمال پسین روی کل مسیر لازم می شود. با وجود این، در پیاده سازی فیلتر ذره ای، نمونه برداری مجدد روی فضای حاشیه ای انجام می شود. از آنجایی که سیستم ممکن است دارای رفتار فراموشی نمایی از خطاهای گذشته اش نباشد، با تعداد ذره محدود فرآیند نمونه برداری مجدد روی فضای حاشیه ای یک تخمین ناسازگار بوجود می آورد. برای رفع این مشکل، در این مقاله فیلتر ذره ای بهبود یافته مبتنی بر محاسبات نرم پیشنهاد شده است. در این فیلتر برخلاف فیلتر ذره ای، نمونه برداری بر روی توزیع حاشیه ای انجام می شود و ابعاد نمونه برداری با زمان افزایش نمی یابد. بعلاوه، نمونه برداری با استفاده از الگوریتم تکامل تفاضلی(DE) بهبود داده شده است. روش پیشنهادی با استفاده از شبیه سازی های کامپیوتری مورد ارزیابی قرار گرفته است. نتایج نشان می دهند روش پیشنهادی دارای عملکرد بهتری نسبت به فیلتر ذره ای استاندارد است.

تصاویر ابرطیفی به عنوان یک منبع مفید اطلاعاتی، کاربردهای مختلفی را در حوزه های مختلف ازجمله شناسایی اهداف، طبقه بندی، آشکارسازی تغییرات، شناسایی آنامولی در محیط های شهری و غیرشهری ارائه می کنند. نویز به عنوان یک بخش اجتناب ناپذیر از یک سیگنال است که باعث محدودیت استفاده از این تصاویر در برخی از کاربردها می شود. حذف اثر نویز در تصاویر ابرطیفی یکی از مهم ترین مراحل پیش پردازشی این تصاویر است. بدین منظور، جهت حذف نویز تصاویر ابرطیفی، داده ها نیاز به پیش پردازش دارند تا از تاثیر آن در تصاویر ابرطیفی کاسته شود. ابعاد بالای این تصاویر در مقایسه با تصاویر چندطیفی سنجش ازدوری، امکان پردازش و تحلیل این داده را پیچیده تر می کند. مکعب تصاویر ابرطیفی دارای سه بعد می باشند که بعد اول و دوم آن مربوط به حیطه مکانی و بعد سوم آن مربوط حیطه طیفی که شامل چند صد باند است. اغلب روش های حذف نویز در حیطه طیفی عمل می کنند در حالی که در این مقاله روشی نوین به منظور کاهش نویز تصاویر ابرطیفی ارائه شده است. این روش در دو حیطه مکانی و طیفی، از دو الگوریتم مجزا بر روی دو تصویر متفاوت ابرطیفی استفاده می کند. این تصاویر شامل تصویر ماهواره ای سنجنده هایپریون و تصویر سنجنده هوابرد اویریس است. به منظور کاهش نویز در حیطه مکانی از الگوریتم نوسانات کلی و در حیطه طیفی از الگوریتم موجک استفاده می شود. پس از پیاده سازی این روش-ها، نتایج در سطح پیکسل به صورت وزن دار ادغام شدند. جهت ارزیابی کارایی روش پیشنهادی، نتایج به دو صورت کمی و کیفی با سایر الگوریتم ها مقایسه شد. به منظور ارزیابی نتایج کمی از شاخص های متفاوتی استفاده شد که نتایج به دست آمده، دقت بالای روش پیشنهادی را نسبت به سایر روش ها نشان می دهد به طوری که عدد شاخص CEI برای داده سنجنده هایپریون 421/1 و برای داده اویریس 0022/0 است، علاوه بر آن شاخص PSNR برای داده هایپریون 519/33 و برای داده اویریس 371/22 است.

در این مقاله روش جدیدی برای بازشناسی برون خط کلمات فارسی دست نویس ارائه شده است. روش پیشنهادی شامل معرفی ویژگی جدید و قدرتمند کد زنجیره ای فریمن دنباله مرکز جرم (CSFCC)، در کنار استفاده از ویژگی های ریخت شناسی و همچنین استفاده از طبقه بند ماشین بردار پشتیبان (SVM) بهبود یافته می باشد. در روش پیشنهادی، طبقه بند ماشین بردار پشتیبان(SVM)، با استفاده از ترکیب دو الگوریتم بهینه سازی ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA)، که به اختصار آن را PSOGSA می نامیم؛ بهبود یافته است. رویکرد به کار برده شده در این تحقیق، تشخیص تمامی اجزای متصل به هم در کلمه و سپس ترکیب آن ها با یکدیگر می باشد. به همین منظور، یک فرهنگ لغت تصویری از زیرکلمات بدون علامت تهیه شده است. علاوه بر این، به منظور کاهش فضای جستجو، افزایش سرعت و دقت بازشناسی، یک پایگاه داده از موقعیت زیرکلمات بدون علامت اصلی نیز ایجاد و مورد استفاده قرار گرفته است. این کار باعث شد؛ تا برای بازشناسی یک زیرکلمه، بر اساس موقعیت آن در کلمه اصلی تصمیم گیری و احتمال تشخیص درست افزایش یابد. روش پیشنهادی بر روی پایگاه داده شناخته شده ی ایرانشهر که شامل حدود 17000 تصویر از اسامی دست نویس 503 شهر ایران است؛ اجرا شده است. دقت بازشناسی به دست آمده در روش پیشنهادی، 89% در بخش آزمایش می باشد؛ که نشان دهنده توانمندی روش پیشنهادی و بهبود نتایج در مقایسه با دیگر روش های موجود است.

با پیشرفت روز افزون علم، همواره با مسائل جدیدی در دنیای واقعی روبرو میشویم که نیاز به الگوریتم بهینه سازی با قابلیت انطباق سریع با محیط در حال تغییر با زمان و غیرقطعی را بیشتر نمایان می کند. در این گونه مسائل شرایط همواره بگونه ای پیش می رود که مکان و مقدار بهینه در طول زمان تغییر می یابد، از این رو الگوریتم بهینه سازی باید توانایی انطباق سریع با شرایط متغیر را دارا باشد. در این مقاله الگوریتم جدیدی بر مبنای الگوریتم بهینه سازی ذرات به نام الگوریتم انطباقی بهینه سازی ذرات افزایشی کاهشی، پیشنهاد شده است. این الگوریتم همواره در روند بهینه سازی به طور انطباقی با کاهش یا افزایش تعداد ذرات الگوریتم و محدوده جستجو موثر توانایی یافتن و دنبال کردن تعداد بهینه متغیر با زمان در محیط های غیرخطی و پویایی که تغییرات آن قابل آشکارسازی نیست، را دارا می باشد. علاوه بر این تعاریف جدیدی به نام ناحیه جستجو متمرکز با هدف برجسته کردن فضاهای امیدبخش برای سرعت بخشیدن به فرایند جستجوی محلی و جلوگیری از همگرایی زودرس و شاخص موفقیت به عنوان معیاری برای چگونگی رفتار ناحیه جستجو متمرکز نسبت به شرایط محیطی، تعریف شده است. نتایج حاصل از الگوریتم پیشنهادی بر روی تابع محک قله های متحرک ارزیابی شده و با نتایج چندین الگوریتم معتبر مقایسه گردیده است. نتایج نشان دهنده تاثیر مثبت مکانیزم های انطباقی بکار گرفته شده از جمله کاهش و افزایش ذرات و محدوده جستجو بر زمان یافتن و دنبال کردن چندین بهینه در مقایسه با سایر الگوریتم های بهینه سازی مبتنی بر چند جمعیتی می باشد.

یکی از چالش های شبکه های حسگر بی سیم، عدم توازن در مصرف انرژی گره ها و مرگ زودهنگام گره های فرستنده اطراف ایستگاه پایه می باشد. دلیل این امر، بار کاری بیشتر و بنابراین، مصرف انرژی بیشتر در این گره ها می باشد. به طوری که، ارتباط گره های زنده و فعال شبکه نیز با ایستگاه پایه مختل می گردد. در این مقاله، هدف، متوازن سازی بار کاری و مصرف انرژی در گره های شبکه می باشد. به طوری که، در ضمن بیشینه سازی طول عمر همه گره ها، از مرگ زودهنگام گره های پیرامون ایستگاه پایه جلوگیری گردد و لذا همه گره های شبکه تا آخر طول عمر خود، با ایستگاه پایه در ارتباط باشند و حفره ای در شبکه ایجاد نگردد. برای نیل به این مقصود، روشی برای ناحیه بندی شبکه های حسگر بی سیم پیشنهاد می شود. در این روش، ناحیه ها به گونه ای ایجاد می شوند که طول گام ارسال داده هر گره فرستنده بر حسب میزان داده ای که باید ارسال کند، معین می گردد. بنابراین، انرژی مصرفی گره های فرستنده و در نتیجه، طول عمر آنها متوازن می شود. روش پیشنهادی که آن را ZOGLO می نامیم، در درجه اول، راه حلی برای چالش مردن زودهنگام گره های فرستنده پیرامون ایستگاه پایه ارائه می دهد. علاوه بر این، ابعاد ناحیه ها چنان تنظیم می شود که در هر ناحیه، ارتباط گره های حسگر با گره فرستنده ناحیه به صورت تک گام انجام می شود. روش ZOGLO چگالی گره های حسگر در ناحیه ها را متوازن می کند تا نرخ پوشش در همه سطح شبکه یکسان گردد. ارزیابی های انجام شده نشان می دهند که روش ZOGLO نسبت به کارهای مرتبط، طول عمر گره های شبکه اعم از گره های فرستنده و حسگر را بالا می برد و نیز اختلاف طول عمر آنها را کم می کند.

سیستم های پیشنهاد دهنده با تحلیل الگوهای علایق کاربران، آیتم ها یا پیشنهاداتی متناسب با علایق کاربر به او ارائه می کنند. یک چالش اساسی در این سیستم ها این است که علایق کاربران ثابت نبوده و معمولا کاربران تمایل به تغییر علایق خود در طول زمان دارند. تطبیق سیستم های پیشنهاددهنده برای مدل کردن تکامل علایق و نیازهای کاربران که مدام درحال تغییر می باشند، باعث بهبود پیشنهادات ارائه شده به کاربر می گردد. در این مقاله با توسعه یک روش مدل سازی علایق پویای کاربر، یک سیستم پیشنهاد دهنده زمانی ارائه می کنیم. در این روش یک تابع کاهش زمانی برای هر کاربر معرفی می شودکه اهمیت علایق قبلی کاربران براساس نرخ تغییر علایق هر کاربر وزن گذاری شده و سپس این اطلاعات بهمراه اطلاعات استخراج شده ی مربوط به شباهت بین کاربران در طول زمان و داده های دموگرافی کاربران به ترتیب در دو تنسور و یک ماتریس مدل شده و با استفاده از تکنیک تجزیه تنسور-ماتریس های اتصالی، پویایی علایق کاربران استخراج و پیشنهادات شخصی مناسب با هر کاربر ارائه می شود. ارزیابی روش پیشنهادی روی دو مجموعه داده ی واقعی، بهبود دقت این روش را در پیشنهاد آیتم ها به کاربران نسبت به سایر روش های مقایسه شده و توانایی بهتر آن در برخورد با مشکل شروع سرد را نشان می دهد.